STUDI KOMPARASI PERAMALAN HARGA PENUTUPAN JAKARTA ISLAMIC INDEX (JII) DENGAN METODE GENERALIZED REGRESSION NEURAL NETWORK DAN FEED FORWARD NEURAL NETWORK
Skripsi untuk memenuhi sebagian persyaratan mencapai derajat Sarjana S-1 Program Studi Teknik Informatika
Disusun Oleh : Muhammad Asfarudin 09650051
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SUNAN KALIJAGA YOGYAKARTA 2013
STUDI KOMPARASI PERAMALAN HARGA PENUTUPAN JAKARTA ISLAMIC INDEX (JII) DENGAN METODE GENERALIZED REGRESSION NEURAL NETWORK DAN FEED FORWARD NEURAL NETWORK
Skripsi untuk memenuhi sebagian persyaratan mencapai derajat Sarjana S-1 Program Studi Teknik Informatika
Disusun Oleh : Muhammad Asfarudin 09650051
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SUNAN KALIJAGA YOGYAKARTA 2013 i
SURAT PERSETUJUAN SKRIPSI / TUGAS AKHIR Hal
: Persetujuan Skripsi/Tugas Akhir
Lamp :
Kepada Yth. Dekan Fakultas Sains dan Teknologi UIN Sunan Kalijaga Di Yogyakarta Assalamu’alaikum wr. Wb. Setelah membaca, meneliti, memberikan petunjuk dan mengoreksi serta mengadakan perbaikan seperlunya, maka kami selaku pembimbing berpendapat bahwa skripsi Saudara: Nama
: Muhammad Asfarudin
NIM
: 09650051
Judul Skripsi
: Studi Komparasi Peramalan Harga Penutupan Jakarta Islamic Index (JII) dengan MetodeGeneralized Regression Neural Networkdan Feed Forward Neural Network
Sudah dapat diajukan kembali kepada Fakultas Sains dan Teknologi Jurusan / Program Studi Teknik Informatika UIN Sunan Kalijaga Yogyakarta sebagai salah satu syarat untuk memperoleh gelar Sarjana Strata Satu dalam Jurusan Teknik Informatika. Dengan ini kami mengaharap agar skripsi/tugas akhir Saudara tersebut diatas dapat segera dimunaqosyahkan. Atas perhatiannya kami ucapkan terimakasih Yogyakarta, 17 Juni 2013 Pembimbing
Nurochman, S.Kom., M.Kom NIP: 19801223 200901 1 007 ii
PERNYATAAN KEASLIAN SKRIPSI
Yang bertanda tangan dibawah ini: Nama
:Muhammad Asfarudin
NIM
: 09650051
Program Studi
: Teknik Informatika
Fakultas
: Sains dan Teknologi
Menyatakan bahwa skripsi denga judul “Studi Komparasi Peramalan Harga Penutupan Jakarta Islamic Index (JII) dengan MetodeGeneralized Regression Neural Network dan Feed Forward Neural Network” tidak terdapat karya yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu perguruan Tinggi, dan sepanjang pengetahuan penulis juga tidak terdapat karya atau pendapat uang pernah ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan dalam daftar pustaka. Yogyakarta, 17 Juni 2013 Yang menyatakan
Muhammad Asfarudin NIM. 09650051
iii
KATA PENGANTAR Alhamdulillahirabbi‘alamin. Puji syukur bagi Allah Subhanahu wa Ta’ala yang telah melimpahkan rahmat-Nya kepada penulis sehingga penulis dapat menyelesaikan skripsi dengan judul STUDI KOMPARASIPERAMALAN HARGAPENUTUPAN JAKARTA ISLAMIC INDEX (JII) DENGAN METODEGENERALIZED REGRESSION NEURAL NETWORKDAN FEED FORWARD NEURAL NETWORKdengan lancar. Sholawat dan Salam senantiasa penulis haturkan kepada junjungan nabi agung, Muhammad Shollallahu’alaihi wa Sallam. Selanjutnya penulis mengucapkan terima kasih kepada: 1. Ayah, ibu tercinta, serta kakak dan adik tersayang yang senantiasa mendo’akan dan memberikan semangat. 2. Prof. Drs. H. Akh. Minhaji, M.A.,Ph.D. selaku Dekan Fakultas Sains & Teknologi UIN Sunan Kalijaga. 3. Bapak Agus Mulyanto, M.Kom, selaku Ketua Program Studi Teknik Informatika UIN Sunan Kalijaga. 4. Bapak Nurochman, S.Kom., M.Kom., selaku Pembimbing yang dengan kesabarannya telah membimbing selama ini. 5. Para Dosen Program Studi Teknik Informatika yang telah memberi bekal ilmu pengetahuan kepada penulis, semoga ilmunya menjadi amal jariyah di dunia hingga akhirat. 6. Seluruh staff Pusat Teknologi Informasi dan Pangkalan Data (PTIPD) UIN Sunan Kalijaga yang juga telah memberikan masukan dan semangat. 7. Teman-teman Program Studi Teknik Informatika, khususnya angkatan 2009 yang telah banyak memberi dukungan. 8. Keluarga besar Masjid Nurul Hidayah Gowok RT 15/06 Catur Tunggal, Depok Sleman yang bersedia menjadi keluarga bagi kami selama menetap di Jogja. Penulis merasa masih banyak sekali kekurangan dan kelemahan dalam penelitian ini, oleh karena itu segala kritik dan saran senantiasa penulis harapkan dari para pembaca. Akhir kata, semoga penelitian ini dapat menjadi panduan serta referensi yang sangat berguna bagi pembaca dan dapat dimanfaakan sebaik-baiknya. Yogyakarta, 17 Juni 2013 Penulis
Muhammad Asfarudin NIM. 09650051
iv
v
HALAMAN PERSEMBAHAN Kupersembahkan untuk : Sungguh sholat, ibadah, hidup, dan mati ku, aku persembahkan semata hanya kepada Allah Ta’ala. Sholawat dan Salam kepada junjungan nabi besar Muhammad Shollallahu’alaihi wa Sallam. Ibuku,Ibuku,Ibuku dan ayahku tercinta yang tak pernah hentihentinya berjuang demi aku. Semoga anakmu ini bisa membahagiakan ibu dan bapak, dan mohon doanya wahai ibu dan ayahku semoga anakmu ini bisa memberikan manfaat bagi ibu ayah, keluarga, masyarakat, bangsa dan umat islam ini. Kakak ku Nur Faizah, abang ku tercinta Samsoimun aka Bondan, serta dua adik ku Arif dan Sholeh yang telah memberikan dukkungan tidak hanya moral tapi juga finansial :D. Serta seluruh warga boromiri, Yulianto mentok, Rianto dan yang lain yang tidak dapat kami sebutkan satu persatu Bapak Agus Mulyanto yang selama keberadaan penulis dalam menuntut ilmu di Jogja ini selalu sabar membimbing dan memberikan nasehat-nasehat, saran, dan pelajaran yang tak ternilai harganya. Semoga Allah selalu melindungi Pak Agus sekeluarga. Bapak Nurrochman yang telah banyak sekali memberikan ilmuilmu dan diskusi yang bisa menambah pengetahuan penulis. Bapak Agung Fatwanto yang memberikan banyak sekali pelajaran dan saran selama perkuliahan maupun di PTIPD. Semoga Allah senantiasa memberikan kemudahan dan petunjuk-Nya untuk Pak Agung dan tak lupa semoga dengan bimbingan Allah saya segera mengikuti jejak Pak Agung. Seluruh teman-teman Teknik Informatika: Hafidh, Rischan, Saladin, syafrudin, Fadli, Wahid, Kambing, Yosep, Ahdi, Pasa, Estu, Sigit, Oki, Izal, Kusuma, Yanuar, Dimas, Kiki, Ayu, Ratna, Ulin, Delisa, Disa, devi, Amy, Ismi, latip, joko, Lukman dan masih banyak lagi yang tidak bisa kusebutkan satu persatu, ”KELUARGA BESAR TIF 09.. KESUKSESAN ADA DI DEPAN KITA.. SEMANGATT!!!!!”. Iostream.in crew (informatics research team).
vi
Mas-mas alumni Teknik Informatika yang menginspirasi, Mas Ganjar, Mas Rifki, Mas Alex, semoga bisa menyusul mas :-D. Mas Fathan yang selalu ngasih nasehat untuk segera nikah dan yang pasti yang sering ngasih siswa untuk private atau proyek juga, Mas Sigit, Mas Sunu, Mas Fendi, Mas Veta, Mas Saiful, Mas Budeng, Warok Ngalek, makasih ilmu-ilmu yang sudah ditularkan mase :-D. Teman-teman Laboran Mas Iqbal, Mas Nawir, Mas Rian, dan Mas Yusuf, Terimakasih banyak mas, sudah sering ngrepoti selama ini. Teman-teman PTIPD (Pusat Teknologi Informasi dan Pangkalan Data) yang telah banyak membantu, Dedi F5, Sabbana Azmi, serta yang lainya yang tentu saja tidak dapat kami sebutkan satu per satu. Teman-teman takmir Masjid Nurul Hidayah, mas Idri, mas Ridwan, usep, Eed, Arip, Luthfi, Qutb dan bung subairi yang always strong. Seluruh warga Ledok Gowok yang selama empat tahun sudah seperti keluarga bagi saya. Bapak dan ibu Atiq, bapak dan ibu Widodo, serta bapak dan ibu Gempo yang sudah seperti bapak dan ibu kedua selama di Jogja. Teman-teman KKN 77 Dusun Kisik Kalibawang, bersama kita berbagi canda dan tawa.
vii
HALAMAN MOTTO
“Saya tidak pernah memiliki mimpi yang terlalu rumit. Sederhanan saja, saya hanya ingin menjadi seseorang yang taat pada agama dan mengubah dunia”
“Jika ada sesutau yang mustahil didunia ini, pastilah kemustahilan itu sendiri”
“Manusia terlahir kedunia dengan modal yang sama: tidak punya apaapa”
“Jika kamu sanggup menembus (melintasi) penjuru langit dan bumi, maka tembuslah. Kamu tidak akan mampu menembusnya kecuali dengan kekuatan (dari Allah)” Q.S. Arrahman : 33
viii
DAFTAR ISI SURAT PERSETUJUAN SKRIPSI / TUGAS AKHIR ..................................................... ii PERNYATAAN KEASLIAN SKRIPSI .............................................................................iii KATA PENGANTAR ........................................................................................................iv HALAMAN PERSEMBAHAN .........................................................................................vi HALAMAN MOTTO ....................................................................................................... viii DAFTAR ISI .......................................................................................................................ix DAFTAR TABEL.............................................................................................................. xii DAFTAR GAMBAR ........................................................................................................ xiii DAFTAR LAMPIRAN ..................................................................................................... xiv ABSTRAKSI ..................................................................................................................... xv ABSTRACT...................................................................................................................... xvi BAB I PENDAHULUAN ................................................................................................... 1 1.1.
Latar Balakang ........................................................................................................ 1
1.2.
Rumusan Masalah ................................................................................................... 3
1.3.
Batasan Masalah ..................................................................................................... 3
1.4.
Tujuan dan ManfaatPenelitian ................................................................................ 3 a.
1.5.
Tujuan Penelitian ................................................................................................ 3 Keaslian penelitian .................................................................................................. 4
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI ........................................... 5 2.1
Tinjauan Pustaka ..................................................................................................... 5
2.2
Landasan Teori........................................................................................................ 7 2.2.1
Saham.......................................................................................................... 7
2.2.2
Indeks Saham ............................................................................................ 13
ix
2.1
2.2.3
Jakarta Islamic Index ................................................................................ 17
2.2.4
Data Time Series ....................................................................................... 18
Normalisasi data.................................................................................................... 20 2.2.5
Jaringan Syaraf Tiruan .............................................................................. 21
2.2.5.1.
Komponen Jaringan Syaraf ............................................................... 24
2.2.5.2.
Bentuk dan Arsitektur Jaringan Syaraf Tiruan.................................. 26
2.2.5.3.
Fungsi Aktivasi ................................................................................. 30
2.2.5.4.
Proses Pembelajaran ......................................................................... 36
2.2.5.5.
Aplikasi Jaringan Syaraf Tiruan........................................................ 38
2.2.6
General Regression Neural Network ........................................................ 40
2.2.7
Feed Forward Neural Network ................................................................. 43
2.2.8
Uji Akurasi ................................................................................................ 46
2.2.9
Matlab ....................................................................................................... 47
BAB III METODE PENELITIAN ................................................................................... 49 2.2
Studi Pendahuluan ................................................................................................ 49
2.3
Perangkat Lunak Yang digunakan ........................................................................ 49
2.4
Langkah Kerja ....................................................................................................... 50
2.5
Pengumpulan Data ................................................................................................ 53
2.6
Normalisasi dan Denormalisasi data ..................................................................... 55
2.7
Pembuatan Model Network dan Peramalan .......................................................... 55
2.8
Study Komparasi ................................................................................................... 55
BAB IV HASIL PENELITIAN DAN PEMBAHASAN .................................................. 57 4.1.
Pengumpulan dan pemilihan data ......................................................................... 57
4.2.
Data Preprocessing................................................................................................ 58
4.3.
Model Peramalan .................................................................................................. 61
4.4.
Peramalan.............................................................................................................. 64
4.5.
Komparasi Hasil Penelitian ................................................................................... 67
4.6.
Uji Coba Peramalan Pada Data Terbaru ............................................................... 69
BAB V PENUTUP ........................................................................................................... 72 4.1
Kesimpulan ........................................................................................................... 72
x
4.2
Saran ..................................................................................................................... 73
DAFTAR PUSTAKA ....................................................................................................... 74 LAMPIRAN ...................................................................................................................... 76
xi
DAFTAR TABEL Tabel 2.1 Daftar Perusahaan Anggota JII ................................................................... 18 Table 3.1 data Pelatihan ................................................................................................ 53 Tabel 3.2 data pengujian ............................................................................................... 54 Tabel 4.1 Model Generalized Regression Neural Network ...................................... 62 Tabel 4.2 Model Feed Forward Neural Network ....................................................... 64 Tabel 4.3 Rekapitulasi akurasi model GRNN dan FFNN ......................................... 68 Tabel 4.4 Data Uji peramalan Mei 2013- Juni 2013 ................................................. 69 Tabel 4.5 Hasil peramalan GRNNdan FFNN pada data 2013 ................................. 70
xii
DAFTAR GAMBAR
Gambar 2.1 Contoh surat saham .................................................................................... 8 Gambar 2.2 Struktur neuron jaringan syaraf .............................................................. 25 Gambar 2.3 Neuron berinput tunggal .......................................................................... 28 Gambar. 2.4 Jaringan syaraf multilayer. ..................................................................... 29 Gambar 2.5 Jaringan syaraf competitive layer ........................................................... 30 Gambar 2.6 Fungsi Aktivasi Bipolar (Symetric Hard Limit) ................................... 32 Gambar 2.7 Fungsi Aktivasi Bipolar (threshold) ....................................................... 33 Gambar2.8. Arsitektur GRNN untuk satu unitoutput (univariat). ........................... 43 Gambar2.9 Arsitektur model FFNN untuk prediksi data time series ...................... 45 Gambar 4.2 Data unormal ............................................................................................. 60 Gambar 4.3 Grafik data normal .................................................................................... 61 Gambar 4.4 Pergerakan Performa Peramalan FFNN ................................................ 63
xiii
DAFTAR LAMPIRAN Data Pelatihan Asli ......................................................................................................... 76 Data Pelatihan Normal................................................................................................... 80 Data Uji 1 Asli ................................................................................................................ 84 Data Uji 1 Normal .......................................................................................................... 87 Data Uji Peramalan Mei 2013 – Juni 2013 ................................................................. 90 Sourcecode: ..................................................................................................................... 91
xiv
ABSTRAKSI Indeks harga saham adalah indikator atau cerminan pergerakan harga saham. Mengetahui harga saham dimasa depan adalah hal yang sangat penting bagi pelaku pasar. Berbagai metode dan algoritma digunakan untuk mendapatkan hasil peramalan yang akurat. Generalized Regression Neural Network dan Feed forward Neural Network adalah bagian dari jaringan syaraf tiruan yang dalam banyak kasus peramalan memiliki akurasi paling baik. Jakarta Islamic Index atau JII merupakan indeks saham syariah pertama di Indonesia dan merupakan objek peramalan indeks saham yang sangat potensial. Data yang digunakan dalam penelitian ini adalah data harga penutupan Jakarta Islamic Index (JII) periode 3 Januari 2011 sampai dengan 29 maret 2012. Untuk mendapat akurasi peramalan terbaik, maka hal pertama dilakuklan dalam peramalan adalah menormalisasi data historis indeks saham. Data yang sudah normal memiliki rata-rata = 0 dan simpangan baku = 1. Langkah selanjutnuya adalah membuat model-model peramalan dengan metode Generalized Regression Neural Network dan Feed forward Neural Network. Setelah peramalan dilakukan langkah terakhir adalah membandingkan akurasi peramalan dari masing-masing motede yang ada. Tingkat akurasi dihitung berdasarkan nilai error. Dari penelitian yang dilakukan diketahui bahwa hampir semua model peramalan Generalized Regression Neural Network memiliki akurasi yang lebih baik dibandingkan model Feed forward Neural Network. Mean Absolute Percentage Error (MAPE) terbaik metode GRNN adalah 0.73, sementara metode FFNN adalah 0.78. Kata kunci: Generalized Regression Neural Network, Feed Forward Neural network, indeks harga saham, Jakarta Islamic Index, GRNN, FFNN,data time series, dan peramalan.
xv
ABSTRACT One of the most important things for investor is knowing future stock price. There are many methods to do forecasting.Generalized Regression Neural Networkand Feed forward Neural Network are the most popular of Artificial neural network to forcast time series data. Normalization is the first step of time series forcasting using artificial neural network algorithm. Normalization was needed to increase forecasting accuration. The next step after normalization is forecasting it self. The comparison result reveal that Generalized Regression Neural Network is superior to Feed Forward Neural Network in forecasting of Jakarta Islamic Index. Keyword: Generalized Regression Neural Network, Feed Forward Neural network, stock index, Jakarta Islamic Index, GRNN, FFNN,time series data, andforecasting.
xvi
BAB I PENDAHULUAN
1.1. Latar Balakang Mengetahui harga Saham dimasa depan adalah suatu hal yang sangat penting bagi pialang saham maupun perusahaan dengan saham bersangkutan. Proses peramalan saham itu sendiri harus diakui masih sering terjadi ketidakakuratan hasil peramalan, tetapiperamalan tetap dilakukan karena disadari bahwa semua organisasi berada dalam lingkungan ketidakpastian, tetapi keputusan harus tetap diambil. Suatu prediksi atau peramalan secara ilmiah terhadap masa depan akan jauh lebih dapat diterima daripada prediksi yang hanya mengandalkan intuisi saja. Jakarta Islamic Index (JII) adalah indeks saham syariah pertama yang dikeluarkan oleh Bursa Efek Indonesia dan merupakan representasi harga saham dari ketiga puluh saham yang menjadi anggotanya. Tepatnya JII diluncurkan sejak tanggal 3 Juli 2000 (Jakarta Islamic Index, 2010). Dengan nilai indeks saat ini berada dikisaran 600 Rupiah, jauh lebih besar jika dibandingkan dengan produk indeks syariah lain yang di keluarkan oleh Bursa Efek Indonesia yaitu ISSI (Indonesia Sharia Stock Index) yang memiliki indeks pada kisaran 100 Rupiah (idx Statistic, 2013). Dalam dunia investasi saham dikenal ada dua macam analisis untuk memprediksi harga saham yaitu analisis fundamental dan analisis teknikal (SADEQ, 2008). Analisis teknikal berupaya untuk menguji data historis
1
2
dalam memprediksi harga saham guna melakukan pembelian ataupun penjualan suatu instrumen investasi, sedangkan analisis fundamental merupakan teknik analisis yang mempelajari tentang berbagai faktor fundamental (seperti tingkat suku bunga, tingkat kepemilikan, rasio-rasio keuangan, neraca, dan sebagainya) sebagai langkah penilaian harga suatu saham. Pada perkembangan pemodelan Jaringan syaraf tiruan, Specht dalam Leung mengusulkan dan mengembangkan model General Regression Neural Network (GRNN) yang desainnya diadopsi dari fungsi Gaussian multivariate yang telah diperluas untuk peramalan model time serries. Model GRNN telah banyak dikembangkan untuk berbagai masalah statistika baik untuk output multivariate maupun univariat. GRNN selama ini diketahui sebagai metode yang sangat baik untuk melakukan prediksi time series seperti prediksi nilai tukar Yen Jepang terhadap Dolar AS (Warsito, 2006) dan juga prediksi nilai inflasi (Düzgün, 2010). Penelitian ini dilakukan untuk mengetahui akurasi prediksi terhadap Jakarta Islamic Index dengan menggunakan metode General Regression Neural Network dan Feed Forward Neural Network (FFNN).Analisis yang akan digunakanadalah analisis teknikal dengan mencari pola fluktuasi indeks harga saham JII. Hal ini didasarkan pada kenyataan bahwa analisis teknikal digunakan oleh sekitar 90% dari pialang saham (lawrence, 1997).
3
1.2. Rumusan Masalah Berdasarkan latar belakang di atas dapat dirumuskan permasalahan yang akan diselesaikan dalam penelitian ini adalah 1. Bagaimana membuat model terbaik
peramalan untuk masing-
masing metode Generalized Regression Neural Network dan Feed Forward Neural Network. 2. Bagaimana menghitung Akurasi hasil peramalan. 1.3. Batasan Masalah Adapun batasan masalah dalam penelitian ini adalah sebagai berikut: 1. Dataset yang digunakan berjumlah 308 data harga penutupan Jakarta Islamic Index dari tanggal 3 Januari 2011 sampai dengan tanggal 29 maret 2012 2. Data terdiri atas 246 data pelatihan dan 62 data uji. Perbadingan 80% : 20%. 3. Data pelatihan merupakan data satu tahun penuh pada 2011. Tanggal 3 Januari 2011 sampai dengan 30 Desember 2011 4. Dataset diperoleh dari http://finance.yahoo.com 1.4. Tujuan dan ManfaatPenelitian Berdasarkan pada latar belakang dan rumusan masalah yang dibahas diatas, maka tujuan dan manfaat dari penelitian ini adalah sebagai berikut: a. Tujuan Penelitian 1. Membuat model peramalan Jakarta Islamic Index dengan Generalized Regression Neural Network dan Feed Forward Neural Network.
4
2. Mengetahui Akurasi metode Generalized Regression Neural Network dan Feed Forward Neural Network
b. Manfaat Penelitian Dengan penelitian ini peneliti dan pembaca mengetahui akurasi metode Generalized Regression Neural Network dan Feed Forward Neural Network serta metode mana yang lebih unggul untuk kasus peramalan harga penutupan Jakarta Islamic Index. Dalam penelitian ini nantinya juga akan dihasilkan aplikasi sederhana untuk melakukan peramalan harga penutupan Jakarta Islamic Index. Aplikasi tersebut akan dibuat dengan metode terbaik yang dihasilkan penelitian. 1.5. Keaslian penelitian Sejauh yang peneliti ketahui, belum pernah ada penelitian serupa yang membahas tentang peramalan harga penutupan Jakarta Islamic Index dengan menggunakan algoritma Generalized Regression Neural Network dan Feed Forward Neural Network. Dimana dalam penelitian tersebut dilakukan studi komparasi akurasi dari kedua algoritma.
BAB V PENUTUP 4.1 Kesimpulan Berdasarkan hasil dari penelitian ini, dapat disimpulkan beberapa hal sebagai berikut: 1. Hasil peramalan harga penutupan Jakarta Islamic Index baik dengan metode Generalized Regression Neural Network maupun dengan metode Feed Forward Neural Network dapat melakukan peramalan harga indeks dengan akurasi yang sangat baik. 2. Peramalan dengan model GRNN dapat melakukan peramalan dengan tingkat akurasi yang lebih baik pada data triwulan pertama tahun 2011. 4. Tingkat akurasi peramalan mengalami penurunan yang sangat signifikan jika digunakan untuk meramalkan periode yang terlalu jauh rentangnya dari periode dibuatnya jaringan. 5. Pada uji peramalan Mei 2013 – Juni 2013 tingkat akurasi beberapa model Feed Forward Neural Network bisa lebih baik jika dibandingakan dengan Model Generalized Regression Neural Network. 6. Tingakat akurasi pada uji peramalan Mei 2013-Juni 2013 mengalami pergeseran, hal ini menunjukkan bahwa kelebihan suatu model peramalan terhadap model lain tidak bersifat general.
72
73
4.2 Saran Kelemahan Penelitianini adalah penelitian ini hanya meramalkan harga penutupan Jakarta Islamic Index untuk satu periode kedepan. Sehingga tidak dapat digunakan secara langsung oleh investor untuk melakukan peramalan dalam jangka panjang. Bagi para peneliti lain, agar dapat menghasilkan penelitian yang lebih bermanfaat bagi para investor terutama sebagai pendukung pengambilan keputusan investasi jangka panjang maka model peramalan sebaiknya dibuat agar dapat meramalkan harga indeks untuk beberapa periode kedepan.
DAFTAR PUSTAKA
Adnyani, L. P. (2012). General Regression Neural Network (GRNN). Yogyakarta: Universitas Gajah Mada. Analisa Fundamental "Beberapa Faktor yang Mempengaruhi". (2012, 10 17). Retrieved 06 12, 2013, from askmisstrader: http://askmisstrader.com/analisa-fundamental-beberapa-faktor-yangmempengaruhi/ Dasar-dasar Analisis Runtun Waktu: Time-Series Analysis. (2012, 6 7). Retrieved 6 12, 2013, from statistika unhalu: http://www.statistikaunhalu.org/berita-122-dasardasar-analisis-runtun-waktu-timeseriesanalysis.html Düzgün, R. (2010). Generalized Regression Neural Networks for Inflation. International Research Journal of Finance and Economics , 12. Endang, T. (2008). Model Peramalan Harga Saham dengan Jaringan Syaraf Tiruan Propagasi Balik. Bogor: Sekolah Paska Sarjana Institut Pertanian Bogor. Haykin, S. (1994). Neural Network-A Comprehensive Foundation. New York: MacMillan. Hecht-Nielsen, R. (1988). Applications on Counter propagation Networks. pp , 131-139. idx Statistic. (2013, 01 28). Retrieved 02 28, 2013, from Indonesia Stock Exchange: http://www.idx.co.id/id-id/beranda/publikasi/statistik.aspx indeks. (2010). Retrieved 06 11, 2013, from Indonesia Stock Exchange: http://www.idx.co.id/id-id/beranda/informasi/bagiinvestor/indeks.aspx Jakarta Islamic Index. (2010, 10 27). Retrieved 01 28, 2013, from wikipedia.com: http://id.wikipedia.org/wiki/Jakarta_Islamic_Index lawrence, r. (1997). Using Neural Networks to Forecast Stock Market. Department of Computer Science . Matlab. (2013, 4 5). Retrieved 16 06, 2013, from wikipedia.com: http://id.wikipedia.org/wiki/MATLAB 74
75
Prybutok, V. R., Yi, J., & Mitchell, D. (2000). Comparison of neural network models with ARIMA and regression models for prediction of Houston's daily maximum ozone concentrations. European Journal of Operational Research , 10. Rusdin. (2006). Pasar Modal. Bandung: penerbit Alfabeta. SADEQ, A. (2008). Analisis Prediksi Indeks Harga Saham (Studi pada IHSG di Bursa Efek Jakarta). Tesis , 75. Sahroni, A. (2011). Studi Komparasi Time Series Prediction Berbasis General Regression Neural Network (GRNN) dengan Backpropagation Neural Network pada Kasus Peramalan Beban Puncak Listrik Tahunan di Indonesia. Seminar Nasional TEKNOIN 2011, (p. 6). Yogyakarta. Specht, D. F. (1991). A General Regression Neural Network. IEEE TRANSACTIONS ON NEURAL NETWORKS , 9. Sulistiawan D, L. (2007). Analisis Teknikal Modern Pada Perdagangan sekkuritas. Yogyakarta: Penerbit Andi. Sulistiawan, D. (2008). Analisis Teknikal Modern Pada Perdagangan Sekuritas. Yogyakarta: Andi Publisher. Warsito, B. (2006). Perbandingan Model Feed Forward Neural Network dan Generalized Neural Network. SPMIPA. pp. 127-131. 2006 (p. 5). Semarang: Universitas Diponegoro. Yuliandar, D., Warsito, B., & Yasin, H. (2012). Pelatihan Feed Forward Neural Network Menggunakan Algoritma Genetika Dengan Metode Seleksi Turnamen Untuk Data Time Series. JURNAL GAUSSIAN , 8.
LAMPIRAN Data Pelatihan Asli No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
Date 1/3/2011 1/4/2011 1/5/2011 1/6/2011 1/7/2011 1/10/2011 1/11/2011 1/12/2011 1/13/2011 1/14/2011 1/17/2011 1/18/2011 1/19/2011 1/20/2011 1/21/2011 1/24/2011 1/25/2011 1/26/2011 1/27/2011 1/28/2011 1/31/2011 2/1/2011 2/2/2011 2/4/2011 2/7/2011 2/8/2011 2/9/2011 2/10/2011 2/11/2011 2/14/2011 2/16/2011 2/17/2011 2/18/2011 2/21/2011 2/22/2011 2/23/2011
Close 537.66 538.26 539.31 530.52 512.92 493.7 488.29 503.54 504.19 504.75 500.92 502.26 500.27 484.75 470.86 464.7 479.08 490.49 492.95 490.51 477.51 484.3 489.44 493.95 494.52 489.03 484.75 478.36 479.76 483.62 483.76 489.19 499.85 499.66 492.83 497.93
No 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
76
Date 7/4/2011 7/5/2011 7/6/2011 7/7/2011 7/8/2011 7/11/2011 7/12/2011 7/13/2011 7/14/2011 7/15/2011 7/18/2011 7/19/2011 7/20/2011 7/21/2011 7/22/2011 7/25/2011 7/26/2011 7/27/2011 7/28/2011 7/29/2011 8/1/2011 8/2/2011 8/3/2011 8/4/2011 8/5/2011 8/8/2011 8/9/2011 8/10/2011 8/11/2011 8/12/2011 8/15/2011 8/16/2011 8/18/2011 8/19/2011 8/22/2011 8/23/2011
Close 548.48 541.93 539.65 542.84 552.52 550.28 541.6 548.31 549.81 553.87 557.54 555.78 560.52 560.83 568.12 564.36 572.05 578.74 572.24 567.12 574.75 570.06 565.34 566.99 537.97 530.01 510.25 532.2 535.72 536.38 548.39 546.32 559.97 529.63 533.15 537.7
77
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77
2/24/2011 2/25/2011 2/28/2011 3/1/2011 3/2/2011 3/3/2011 3/4/2011 3/7/2011 3/8/2011 3/9/2011 3/10/2011 3/11/2011 3/14/2011 3/15/2011 3/16/2011 3/17/2011 3/18/2011 3/21/2011 3/22/2011 3/23/2011 3/24/2011 3/25/2011 3/28/2011 3/29/2011 3/30/2011 3/31/2011 4/1/2011 4/4/2011 4/5/2011 4/6/2011 4/7/2011 4/8/2011 4/11/2011 4/12/2011 4/13/2011 4/14/2011 4/15/2011 4/18/2011 4/19/2011 4/20/2011 4/21/2011
490.42 490.68 496.87 502.79 497.97 499.21 505.07 506.75 509.19 513.3 511.04 502.82 506.31 500.34 499.93 489.75 489.95 496.12 494.96 504.77 515.65 514.54 509.3 502.42 510.86 514.92 521.05 518.82 518.25 521.69 519.15 519.73 523.23 518.21 518.97 515.07 517.77 516.74 518.53 527.53 529.19
161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201
8/24/2011 8/25/2011 8/26/2011 9/5/2011 9/6/2011 9/7/2011 9/8/2011 9/9/2011 9/12/2011 9/13/2011 9/14/2011 9/15/2011 9/16/2011 9/19/2011 9/20/2011 9/21/2011 9/22/2011 9/23/2011 9/26/2011 9/27/2011 9/28/2011 9/29/2011 9/30/2011 10/3/2011 10/4/2011 10/5/2011 10/6/2011 10/7/2011 10/10/2011 10/11/2011 10/12/2011 10/13/2011 10/14/2011 10/17/2011 10/18/2011 10/19/2011 10/20/2011 10/21/2011 10/24/2011 10/25/2011 10/26/2011
532.39 529.61 529.16 534.94 540.62 557.8 555.02 552.58 538.74 535.35 526.48 520.07 526.79 516.9 517.06 509.42 461.37 468.25 451.46 474.48 482.54 489.03 492.3 461.97 452.46 454.13 474.51 472.21 473.67 487.04 502.49 509.57 506.83 517.64 505.36 515.29 505.37 503.45 516.47 519.02 522.27
78
78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118
4/25/2011 4/26/2011 4/27/2011 4/28/2011 4/29/2011 5/2/2011 5/3/2011 5/4/2011 5/5/2011 5/6/2011 5/9/2011 5/10/2011 5/11/2011 5/12/2011 5/13/2011 5/16/2011 5/18/2011 5/19/2011 5/20/2011 5/23/2011 5/24/2011 5/25/2011 5/26/2011 5/27/2011 5/30/2011 5/31/2011 6/1/2011 6/3/2011 6/6/2011 6/7/2011 6/8/2011 6/9/2011 6/10/2011 6/13/2011 6/14/2011 6/15/2011 6/16/2011 6/17/2011 6/20/2011 6/21/2011 6/22/2011
525.29 521.35 527.43 528.15 528.76 532.13 528.2 527.21 526.82 523.67 523.56 524.31 533.09 527.96 528.48 524.93 531.3 533.26 537.51 524.29 525.42 524.4 530.34 531.45 529.41 531.38 532.5 532.22 531.46 531.11 528.55 525.59 520.53 515.97 519.32 521.82 515.46 510.96 512.29 520.77 524.1
202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242
10/27/2011 10/28/2011 10/31/2011 11/1/2011 11/2/2011 11/3/2011 11/4/2011 11/7/2011 11/8/2011 11/9/2011 11/10/2011 11/11/2011 11/14/2011 11/15/2011 11/16/2011 11/17/2011 11/18/2011 11/21/2011 11/22/2011 11/23/2011 11/24/2011 11/25/2011 11/28/2011 11/29/2011 11/30/2011 12/1/2011 12/2/2011 12/5/2011 12/6/2011 12/7/2011 12/8/2011 12/9/2011 12/12/2011 12/13/2011 12/14/2011 12/15/2011 12/16/2011 12/19/2011 12/20/2011 12/21/2011 12/22/2011
532.61 537.51 530.19 513.57 527.04 515.91 526.53 525.45 528.38 538.08 525.78 524.99 535.91 531.94 533.05 529.98 524.3 513.65 522.92 517.5 519.05 510.14 511.33 518.51 520.49 527.31 528.2 529.43 527.77 532.71 529.64 525.07 531.01 527.73 524.18 514.4 522.49 525.29 521.15 530.03 533.5
79
119 120 121 122 123 124
6/23/2011 6/24/2011 6/27/2011 6/28/2011 6/30/2011 7/1/2011
524.7 529.82 525.08 527.22 536.04 540.92
243 244 245 246 247
12/23/2011 12/27/2011 12/28/2011 12/29/2011 12/30/2011
532.77 532.56 529.18 534.17 537.03
80
Data Pelatihan Normal No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38
Date Close No Date Close 1/3/2011 0.7826 125 7/4/2011 1.2431 1/4/2011 0.8081 126 7/5/2011 0.9643 1/5/2011 0.8528 127 7/6/2011 0.8673 1/6/2011 0.4786 128 7/7/2011 1.0031 1/7/2011 -0.2705 129 7/8/2011 1.4151 1/10/2011 -1.0886 130 7/11/2011 1.3197 1/11/2011 -1.3189 131 7/12/2011 0.9503 1/12/2011 -0.6698 132 7/13/2011 1.2359 1/13/2011 -0.6421 133 7/14/2011 1.2997 1/14/2011 -0.6183 134 7/15/2011 1.4726 1/17/2011 -0.7813 135 7/18/2011 1.6288 1/18/2011 -0.7243 136 7/19/2011 1.5539 1/19/2011 -0.809 137 7/20/2011 1.7556 1/20/2011 -1.4696 138 7/21/2011 1.7688 1/21/2011 -2.0608 139 7/22/2011 2.0791 1/24/2011 -2.3231 140 7/25/2011 1.9191 1/25/2011 -1.711 141 7/26/2011 2.2464 1/26/2011 -1.2253 142 7/27/2011 2.5312 1/27/2011 -1.1206 143 7/28/2011 2.2545 1/28/2011 -1.2244 144 7/29/2011 2.0366 1/31/2011 -1.7778 145 8/1/2011 2.3613 2/1/2011 -1.4888 146 8/2/2011 2.1617 2/2/2011 -1.27 147 8/3/2011 1.9608 2/4/2011 -1.078 148 8/4/2011 2.031 2/7/2011 -1.0537 149 8/5/2011 0.7958 2/8/2011 -1.2874 150 8/8/2011 0.4569 2/9/2011 -1.4696 151 8/9/2011 -0.3842 2/10/2011 -1.7416 152 8/10/2011 0.5502 2/11/2011 -1.682 153 8/11/2011 0.7 2/14/2011 -1.5177 154 8/12/2011 0.7281 2/16/2011 -1.5117 155 8/15/2011 1.2393 2/17/2011 -1.2806 156 8/16/2011 1.1512 2/18/2011 -0.8269 157 8/18/2011 1.7322 2/21/2011 -0.8349 158 8/19/2011 0.4408 2/22/2011 -1.1257 159 8/22/2011 0.5906 2/23/2011 -0.9086 160 8/23/2011 0.7843 2/24/2011 -1.2283 161 8/24/2011 0.5582 2/25/2011 -1.2172 162 8/25/2011 0.4399
81
39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79
2/28/2011 3/1/2011 3/2/2011 3/3/2011 3/4/2011 3/7/2011 3/8/2011 3/9/2011 3/10/2011 3/11/2011 3/14/2011 3/15/2011 3/16/2011 3/17/2011 3/18/2011 3/21/2011 3/22/2011 3/23/2011 3/24/2011 3/25/2011 3/28/2011 3/29/2011 3/30/2011 3/31/2011 4/1/2011 4/4/2011 4/5/2011 4/6/2011 4/7/2011 4/8/2011 4/11/2011 4/12/2011 4/13/2011 4/14/2011 4/15/2011 4/18/2011 4/19/2011 4/20/2011 4/21/2011 4/25/2011 4/26/2011
-0.9537 -0.7017 -0.9069 -0.8541 -0.6047 -0.5331 -0.4293 -0.2543 -0.3505 -0.7004 -0.5519 -0.806 -0.8235 -1.2568 -1.2483 -0.9856 -1.035 -0.6174 -0.1543 -0.2016 -0.4246 -0.7175 -0.3582 -0.1854 0.0755 -0.0194 -0.0436 0.1028 -0.0053 0.0194 0.1683 -0.0453 -0.013 -0.179 -0.0641 -0.1079 -0.0317 0.3514 0.422 0.256 0.0883
163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203
8/26/2011 9/5/2011 9/6/2011 9/7/2011 9/8/2011 9/9/2011 9/12/2011 9/13/2011 9/14/2011 9/15/2011 9/16/2011 9/19/2011 9/20/2011 9/21/2011 9/22/2011 9/23/2011 9/26/2011 9/27/2011 9/28/2011 9/29/2011 9/30/2011 10/3/2011 10/4/2011 10/5/2011 10/6/2011 10/7/2011 10/10/2011 10/11/2011 10/12/2011 10/13/2011 10/14/2011 10/17/2011 10/18/2011 10/19/2011 10/20/2011 10/21/2011 10/24/2011 10/25/2011 10/26/2011 10/27/2011 10/28/2011
0.4208 0.6668 0.9086 1.6398 1.5215 1.4177 0.8285 0.6842 0.3067 0.0338 0.3199 -0.1011 -0.0943 -0.4195 -2.4648 -2.1719 -2.8866 -1.9068 -1.5637 -1.2874 -1.1482 -2.4393 -2.8441 -2.773 -1.9055 -2.0034 -1.9412 -1.3721 -0.7145 -0.4131 -0.5297 -0.0696 -0.5923 -0.1696 -0.5919 -0.6736 -0.1194 -0.0109 0.1275 0.5676 0.7762
82
80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
4/27/2011 4/28/2011 4/29/2011 5/2/2011 5/3/2011 5/4/2011 5/5/2011 5/6/2011 5/9/2011 5/10/2011 5/11/2011 5/12/2011 5/13/2011 5/16/2011 5/18/2011 5/19/2011 5/20/2011 5/23/2011 5/24/2011 5/25/2011 5/26/2011 5/27/2011 5/30/2011 5/31/2011 6/1/2011 6/3/2011 6/6/2011 6/7/2011 6/8/2011 6/9/2011 6/10/2011 6/13/2011 6/14/2011 6/15/2011 6/16/2011 6/17/2011 6/20/2011 6/21/2011 6/22/2011 6/23/2011 6/24/2011
0.3471 0.3778 0.4037 0.5472 0.3799 0.3378 0.3212 0.1871 0.1824 0.2143 0.588 0.3697 0.3918 0.2407 0.5118 0.5953 0.7762 0.2135 0.2616 0.2181 0.471 0.5182 0.4314 0.5153 0.5629 0.551 0.5187 0.5038 0.3948 0.2688 0.0534 -0.1407 0.0019 0.1083 -0.1624 -0.3539 -0.2973 0.0636 0.2054 0.2309 0.4488
204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244
10/31/2011 11/1/2011 11/2/2011 11/3/2011 11/4/2011 11/7/2011 11/8/2011 11/9/2011 11/10/2011 11/11/2011 11/14/2011 11/15/2011 11/16/2011 11/17/2011 11/18/2011 11/21/2011 11/22/2011 11/23/2011 11/24/2011 11/25/2011 11/28/2011 11/29/2011 11/30/2011 12/1/2011 12/2/2011 12/5/2011 12/6/2011 12/7/2011 12/8/2011 12/9/2011 12/12/2011 12/13/2011 12/14/2011 12/15/2011 12/16/2011 12/19/2011 12/20/2011 12/21/2011 12/22/2011 12/23/2011 12/27/2011
0.4646 -0.2428 0.3305 -0.1432 0.3088 0.2628 0.3876 0.8004 0.2769 0.2433 0.7081 0.5391 0.5863 0.4557 0.2139 -0.2394 0.1551 -0.0756 -0.0096 -0.3889 -0.3382 -0.0326 0.0517 0.342 0.3799 0.4322 0.3616 0.5719 0.4412 0.2467 0.4995 0.3599 0.2088 -0.2075 0.1368 0.256 0.0798 0.4578 0.6055 0.5744 0.5655
83
121 6/27/2011 122 6/28/2011 123 6/30/2011 124 7/1/2011
0.2471 0.3382 0.7136 0.9213
245 12/28/2011 246 12/29/2011 247 12/30/2011
0.4216 0.634 537.03
84
Data Uji 1 Asli No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38
Date Close 1/2/2012 533.45 1/3/2012 542.18 1/4/2012 553.08 1/5/2012 555.23 1/6/2012 547.61 1/9/2012 550.08 1/10/2012 559.15 1/11/2012 553.02 1/12/2012 552.4 1/13/2012 557.34 1/16/2012 553.79 1/17/2012 560.99 1/18/2012 565.71 1/19/2012 568.7 1/20/2012 568.28 1/24/2012 570.54 1/25/2012 564.63 1/26/2012 567.45 1/27/2012 570.75 1/30/2012 557.35 1/31/2012 562.53 2/1/2012 562.36 2/2/2012 571.09 2/3/2012 571.42 2/6/2012 565.34 2/7/2012 564.69 2/8/2012 570.41 2/9/2012 568.87 2/10/2012 560.35 2/13/2012 568.49 2/14/2012 570.74 2/15/2012 570.47 2/16/2012 562.51 2/17/2012 572.05 2/20/2012 573.69 2/21/2012 573.64 2/22/2012 570.75 2/23/2012 562.08
85
39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79
2/24/2012 2/27/2012 2/28/2012 2/29/2012 3/1/2012 3/2/2012 3/5/2012 3/6/2012 3/7/2012 3/8/2012 3/9/2012 3/12/2012 3/13/2012 3/14/2012 3/15/2012 3/16/2012 3/19/2012 3/20/2012 3/21/2012 3/22/2012 3/26/2012 3/27/2012 3/28/2012 3/29/2012 3/30/2012 4/2/2012 4/3/2012 4/4/2012 4/5/2012 4/9/2012 4/10/2012 4/11/2012 4/12/2012 4/13/2012 4/16/2012 4/17/2012 4/18/2012 4/19/2012 4/20/2012 4/23/2012 4/24/2012
550.4 546 553.26 566.75 561.82 570.05 565.6 561.58 559.1 563.53 567.17 564.59 568.2 575.71 571.97 566.91 566.91 566.16 570.9 570.79 569.02 576.62 577.59 579.33 584.06 588.1 593.07 576.96 581.01 579.4 577.94 572.81 572.68 575.49 570.61 571.61 574.26 571.72 574.03 570.08 571.79
86
80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106
4/25/2012 4/26/2012 4/27/2012 4/30/2012 5/1/2012 5/2/2012 5/3/2012 5/4/2012 5/7/2012 5/8/2012 5/9/2012 5/10/2012 5/11/2012 5/14/2012 5/16/2012 5/21/2012 5/22/2012 5/23/2012 5/24/2012 5/25/2012 5/28/2012 5/29/2012 5/30/2012 5/31/2012 6/1/2012 6/5/2012 6/6/2012
569.49 570.55 572.79 575.09 577.3 582.69 583.33 580.75 572.37 575.19 564.78 567.41 562.13 555.61 548.33 540.18 550.24 545.45 544.45 531.24 533.03 534.05 536.68 525.05 519.84 510.32 527.91
87
Data Uji 1 Normal No Date Close 1 1/2/2012 -3.3837 2 1/3/2012 -2.4143 3 1/4/2012 -1.2039 4 1/5/2012 -0.9652 5 1/6/2012 -1.8113 6 1/9/2012 -1.537 7 1/10/2012 -0.5299 8 1/11/2012 -1.2106 9 1/12/2012 -1.2794 10 1/13/2012 -0.7309 11 1/16/2012 -1.1251 12 1/17/2012 -0.3256 13 1/18/2012 0.1985 14 1/19/2012 0.5305 15 1/20/2012 0.4839 16 1/24/2012 0.7349 17 1/25/2012 0.0786 18 1/26/2012 0.3917 19 1/27/2012 0.7582 20 1/30/2012 -0.7298 21 1/31/2012 -0.1546 22 2/1/2012 -0.1735 23 2/2/2012 0.7959 24 2/3/2012 0.8326 25 2/6/2012 0.1574 26 2/7/2012 0.0853 27 2/8/2012 0.7204 28 2/9/2012 0.5494 29 2/10/2012 -0.3966 30 2/13/2012 0.5072 31 2/14/2012 0.7571 32 2/15/2012 0.7271 33 2/16/2012 -0.1568 34 2/17/2012 0.9025 35 2/20/2012 1.0846 36 2/21/2012 1.0791 37 2/22/2012 0.7582 38 2/23/2012 -0.2045
88
39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79
2/24/2012 2/27/2012 2/28/2012 2/29/2012 3/1/2012 3/2/2012 3/5/2012 3/6/2012 3/7/2012 3/8/2012 3/9/2012 3/12/2012 3/13/2012 3/14/2012 3/15/2012 3/16/2012 3/19/2012 3/20/2012 3/21/2012 3/22/2012 3/26/2012 3/27/2012 3/28/2012 3/29/2012 3/30/2012 4/2/2012 4/3/2012 4/4/2012 4/5/2012 4/9/2012 4/10/2012 4/11/2012 4/12/2012 4/13/2012 4/16/2012 4/17/2012 4/18/2012 4/19/2012 4/20/2012 4/23/2012 4/24/2012
-1.5015 -1.9901 -1.1839 0.314 -0.2334 0.6804 0.1863 -0.2601 -0.5355 -0.0435 0.3607 0.0742 0.475 1.3089 0.8936 0.3318 0.3318 0.2485 0.7748 0.7626 0.5661 1.41 1.5177 1.7109 584.06 588.1 593.07 576.96 581.01 579.4 577.94 572.81 572.68 575.49 570.61 571.61 574.26 571.72 574.03 570.08 571.79
89
80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106
4/25/2012 4/26/2012 4/27/2012 4/30/2012 5/1/2012 5/2/2012 5/3/2012 5/4/2012 5/7/2012 5/8/2012 5/9/2012 5/10/2012 5/11/2012 5/14/2012 5/16/2012 5/21/2012 5/22/2012 5/23/2012 5/24/2012 5/25/2012 5/28/2012 5/29/2012 5/30/2012 5/31/2012 6/1/2012 6/5/2012 6/6/2012
569.49 570.55 572.79 575.09 577.3 582.69 583.33 580.75 572.37 575.19 564.78 567.41 562.13 555.61 548.33 540.18 550.24 545.45 544.45 531.24 533.03 534.05 536.68 525.05 519.84 510.32 527.91
90
Data Uji Peramalan Mei 2013 – Juni 2013 No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Date Close No 5/1/2013 682.85 22 5/2/2013 674.96 23 5/3/2013 665.41 24 5/6/2013 673.55 25 5/7/2013 677.04 26 5/8/2013 683.67 27 5/10/2013 684.84 28 5/13/2013 679.32 29 5/14/2013 682.21 30 5/15/2013 681.71 31 5/16/2013 681.49 32 5/17/2013 696.58 33 5/20/2013 709.461 34 5/21/2013 703.32 35 5/22/2013 708.1 36 5/23/2013 694.79 37 5/24/2013 701.25 38 5/27/2013 685.35 39 5/28/2013 701.962 40 5/29/2013 705.97 41 5/30/2013 690
Date Close 5/31/2013 676.58 6/3/2013 665.63 6/4/2013 677.35 6/5/2013 674.4 6/7/2013 647.28 6/10/2013 634.29 6/11/2013 608.88 6/12/2013 635.1 6/13/2013 618.57 6/14/2013 640.22 6/17/2013 642.79 6/18/2013 649.35 6/19/2013 642.42 6/20/2013 618.39 6/21/2013 596.67 6/24/2013 585.773 6/25/2013 583.4 6/26/2013 616.886 6/27/2013 634.27 6/28/2013 660.16
91
Sourcecode: Generalized Regression Neural Network %normalisasi std clc; load pola1.txt; p = transpose(pola1(:,1)); t = transpose(pola1(:,2)); load uji1.txt; a = transpose(uji1(1:62,1)); s = transpose(uji1(1:62,2)); %normalisasi [pn, meanp, stdp, tn, meant, stdt] = prestd(p,t); [an, meana, stda, sn, means, stds] = prestd(a,s); %create network grnn = newgrnn(pn,tn,0.1); y = sim(grnn,an) %denormalisasi T = poststd(y, means, stds); [T s] plot (T, 'r') hold plot(s) xlabel('periode') ylabel('harga') legend ('prediksi','nilai aktual') title('Comparison betwen actual target and prediction') T'
Feed Forward Neural Network %======================== %======== satu data ====== clc; load pola1.txt; p = transpose(pola1(:,1)); t = transpose(pola1(:,2)); load uji1.txt; a = transpose(uji1(1:62,1)); s = transpose(uji1(1:62,2)); %normalisasi [pn, meanp, stdp, tn, meant, stdt] = prestd(p,t); [an, meana, stda, sn, means, stds] = prestd(a,s); %create network net = newff(minmax(pn), [3 1], {'logsig', 'purelin'},'traingdm') net.trainParam.epochs = 3000; net.trainParam.lr = 0.7; net.trainParam.mc = 0.9; net = train (net,pn,tn);
92
y = sim (net, an); T = poststd(y, means, stds); [T s] plot (T, 'r') hold plot(s) xlabel('periode') ylabel('harga') legend('prediksi','nilai aktual') title('Comparison betwen actual target and prediction') T'